用一个例子来讲述regression。

采用sin(2*pi*x)加入微弱的正态分布噪声的方式来获得一些数据，然后用多项式模型来进行拟合。

在评价模型的准确性时，采用了误差函数的方式，用根均方误差的方式来表示误差函数。

很明显，如果模型选错了，无论你怎么拟合，都不可能找到合适的结果。所以，当你面对一堆数据的时候，到底该怎么选择模型呢？（好像台大李宏毅的视频里面讲了，选择模型需要对应的行业领域知识)。

文中还提到了，训练数据的数量和模型参数数量的关系问题，一种观点认为训练数据集的数据量不应该小于模型参数的5倍或者10倍，但是，后面第三章会说明模型中的参数个数对模型的效果来说并不是特别必要。

解决overfitting的一个办法就是进行regularity.

另外，马春鹏的翻译版本中有一些错误，least square method应该翻译成最小二乘法，

转载于:https://www.cnblogs.com/hare/p/9049702.html

Day2----《Pattern Recognition and Machine Learning》Christopher M. Bishop相关推荐

  1. 学习笔记-----《Pattern Recognition and Machine Learning》Christopher M. Bishop

    Preface 模式识别这个词,以前一直不懂是什么意思,直到今年初,才开始打算读这本广为推荐的书,初步了解到,它的大致意思是从数据中发现特征,规律,属于机器学习的一个分支. 在前言中,阐述了什么是模式 ...

  2. Day3----《Pattern Recognition and Machine Learning》Christopher M. Bishop

    其实今天只花了一点点时间来学习这本书, 如果模型的参数过多,而训练数据又不足够多的话,就会出现overfitting. overfitting可以通过regularization来解决,贝叶斯方法也可 ...

  3. 今天开始学模式识别与机器学习Pattern Recognition and Machine Learning 书，章节1.1，多项式曲线拟合(Polynomial Curve Fitting)

    转载自:http://blog.csdn.net/xbinworld/article/details/8834155 Pattern Recognition and Machine Learning ...

  4. 今天开始学Pattern Recognition and Machine Learning (PRML)，章节1.6，Information Theory信息论简介

    今天开始学Pattern Recognition and Machine Learning (PRML),章节1.6,Information Theory信息论简介 前面有朋友说写的东西太理论了,我想 ...

  5. 今天开始学模式识别与机器学习Pattern Recognition and Machine Learning (PRML)，章节1.2，Probability Theory （下）

    今天开始学Pattern Recognition and Machine Learning (PRML),章节1.2,Probability Theory (下) 今天把1.2写完,这一节讲了很多重要 ...

  6. 今天开始学模式识别与机器学习Pattern Recognition and Machine Learning (PRML)书，章节1.2，Probability Theory （上）

    Pattern Recognition and Machine Learning (PRML)书,章节1.2,Probability Theory (上) 这一节是浓缩了整本书关于概率论的精华,突出一 ...

  7. 特征工程的宝典-《Feature Engineering for Machine Learning》翻译及代码实现

    由O'Reilly Media,Inc.出版的<Feature Engineering for Machine Learning>(国内译作<精通特征工程>)一书,可以说是特征 ...

  8. PRML：Pattern Recognition And Machine Learning 相关资料整理与下载

    Pattern Recognition And Machine Learning 相关资料整理与下载 前言 一.PRML英文原文 二.PRML中文翻译版 三.PRML勘误与附加评论 四.读者整理的笔记 ...

  9. 《Neural Networks for Machine Learning》学习一

    前言 最近报了一下Hinton大牛的coursera的神经网络课程,奈何比较懒,一直没看,还是写个博客督促自己比较好 贴一下课程地址:https://www.coursera.org/learn/ne ...

最新文章

  1. travis-ci自动部署_如何使用Travis CI部署（几乎）零恐惧的Cloud Foundry应用
  2. image控件显示图片_Unity之Image amp; Raw Image
  3. Facebook 工程师是如何高效工作的？
  4. linux不能识别 符号,在linux中文件中^M符号的问题以及中文识别问题
  5. 图谱实战 | 斯坦福黄柯鑫：图机器学习在生物图上的应用
  6. 一起学习C语言：初谈指针(二)
  7. PartyUs 待添加内容（不定期更新）
  8. Disallowed Key Characters(转)
  9. 微型计算机主要安装的部件是,微型计算机主板上安装的主要部件
  10. steam新授权软件_「西米软件推荐」桌面乱七八糟的人，请认真看完
  11. python数据分析师网易云课堂_网易云课堂 数据分析（一）
  12. 2023CAEE安规测试与环境试验技术设备展览会
  13. UG NX 12.0入门
  14. Linux-nali解析IP归属信息
  15. windows文件保护提示解决方法
  16. Android返回桌面代码,安卓 双击返回键 返回桌面
  17. Android连连看游戏
  18. POJ1659 Frogs' Neighborhood(Havel定理)
  19. android 实现Home键和Back键的功能
  20. 微程序控制器基本概念及其工作过程

热门文章

  1. 《管理十诫》学习总结
  2. Uart回环（不带FIFO）及Testbench
  3. iPhone4S真的很需要吗？
  4. html设置浏览器为ie9,Win10系统如何设置IE浏览器为IE9标准
  5. drupal7分类权限控制方法
  6. jQuery——02
  7. 〖产品思维训练白宝书 - 核心竞争力篇③〗- 产品经理核心竞争力解读之如何训练思辨力
  8. “回文串”是一个正读和反读都一样的字符串，比如“level”或者“noon”等等就是回文串。花花非常喜欢这种拥有对称美的回文串，生日的时候她得到两个礼物分别是字符串A和字符串B。
  9. [组图]乔布斯的演说秘籍——演说的高级技巧篇
  10. 30分钟！一键部署Oracle 19C单机CDB+PDB